ElevenLabs

OpenClaw używa ElevenLabs do syntezy mowy z tekstu, wsadowego rozpoznawania mowy za pomocą Scribe v2 oraz strumieniowego rozpoznawania mowy za pomocą Scribe v2 Realtime. Plugin jest dołączony i domyślnie włączony; krok plugins install nie jest potrzebny.

Uwierzytelnianie

Ustaw ELEVENLABS_API_KEY w środowisku. Ze względu na zgodność z istniejącymi narzędziami ElevenLabs akceptowany jest również XI_API_KEY.

export ELEVENLABS_API_KEY="..."

Synteza mowy z tekstu

{  messages: {    tts: {      providers: {        elevenlabs: {          apiKey: "${ELEVENLABS_API_KEY}",          voiceId: "pMsXgVXv3BLzUgSXRplE",          modelId: "eleven_multilingual_v2",        },      },    },  },}

Ustaw modelId na eleven_v3, aby używać syntezy mowy ElevenLabs v3. W istniejących instalacjach OpenClaw zachowuje eleven_multilingual_v2 jako wartość domyślną.

Gdy ElevenLabs jest wybranym dostawcą voice.tts/messages.tts, kanały głosowe Discord korzystają z jego strumieniowego punktu końcowego syntezy mowy: odtwarzanie rozpoczyna się zwracanym strumieniem audio, zamiast czekać, aż OpenClaw najpierw pobierze cały plik audio. latencyTier jest odwzorowywany na parametr zapytania optimize_streaming_latency usługi ElevenLabs w przypadku modeli, które go obsługują; OpenClaw pomija ten parametr dla eleven_v3, który go odrzuca.

Rozpoznawanie mowy

Użyj Scribe v2 do przychodzących załączników audio i krótkich nagranych fragmentów głosowych:

{  tools: {    media: {      audio: {        enabled: true,        models: [{ provider: "elevenlabs", model: "scribe_v2" }],      },    },  },}

OpenClaw wysyła wieloczęściowe dane audio do punktu końcowego ElevenLabs /v1/speech-to-text z wartością model_id: "scribe_v2". Jeśli podano wskazówki dotyczące języka, są one odwzorowywane na language_code.

Strumieniowe rozpoznawanie mowy

Dołączony Plugin elevenlabs rejestruje Scribe v2 Realtime na potrzeby strumieniowej transkrypcji w Voice Call oraz w trybie agenta Google Meet.

{  plugins: {    entries: {      "voice-call": {        config: {          streaming: {            enabled: true,            provider: "elevenlabs",            providers: {              elevenlabs: {                apiKey: "${ELEVENLABS_API_KEY}",                audioFormat: "ulaw_8000",                commitStrategy: "vad",                languageCode: "en",              },            },          },        },      },    },  },}

W trybie agenta Google Meet ustaw plugins.entries.google-meet.config.realtime.transcriptionProvider na "elevenlabs" i skonfiguruj ten sam blok dostawcy w plugins.entries.google-meet.config.realtime.providers.elevenlabs.

Powiązane materiały

• Synteza mowy z tekstu
• Google Meet
• Wybór modelu